用途：定位并优化 Python 性能瓶颈，适用于代码慢、内存占用高、CPU 密集、I/O 密集或延迟敏感的情况。
主要能力：提供从信息收集、性能剖析到优化与复测的流程。剖析顺序为：用真实输入复现慢路径；加入简单的墙钟时间测量；按需选择剖析工具，CPU 用 cProfile / py-spy，行级热点用 line_profiler，内存用 memory_profiler / tracemalloc，生产延迟用应用指标；找到最小可改动的热点路径；只优化一个瓶颈；重新测量并验证正确性。
常见优化方向：改进算法或数据结构；用缓存避免重复计算；批量处理 I/O 或数据库调用；用生成器/流式处理降低内存；在合适时用 NumPy/Pandas/JAX/PyTorch 向量化数值计算；把真正 CPU 密集的并行任务交给 multiprocessing 或原生库。
使用方式：先收集工作负载与输入规模、目标指标（延迟、吞吐、内存、CPU、I/O）、当前测量值与目标值、环境与硬件、正确性测试或黄金输出。输出应包含性能目标、测量方法、瓶颈证据、按预期影响排序的优化计划、正确性保障以及前后对比报告模板。
限制与规则：没有基线测量不要优化；不要悄悄用正确性换速度；不要优化冷代码；优先算法层面的收益而非微优化；记录优化前后的数值与输入规模。更高级的模式（NumPy 向量化、缓存、内存管理、并行、异步 I/O、数据库优化、基准测试工具）需阅读 references/advanced-patterns.md。